딥러닝 스터디

구성(Top-level)

• 본 저장소는 Jupyter Notebook (.ipynb) 파일들로 구성되어 있습니다.
• 일부 노트북은 공개 데이터셋(예: 이안류 CCTV, 차량 파손)을 전제로 하며, 데이터 파일은 저장소에 포함되지 않을 수 있습니다.

노트북 목차

아래 표에서 각 노트북을 확인할 수 있습니다. (로컬/깃 저장소에서는 파일명을 클릭하여 열 수 있습니다.)

Notebook	Path
1. 컴퓨터 비전.ipynb	./1. 컴퓨터 비전.ipynb
2. Object Detection.ipynb	./2. Object Detection.ipynb
4. 이안류 CCTV 데이터셋.ipynb	./4. 이안류 CCTV 데이터셋.ipynb
5. Segmentation.ipynb	./5. Segmentation.ipynb
5. Segmentation+.ipynb	./5. Segmentation+.ipynb
6. 차량 파손 데이터셋.ipynb	./6. 차량 파손 데이터셋.ipynb
7.비지도 학습.ipynb	./7.비지도 학습.ipynb
8. 오토인코더.ipynb	./8. 오토인코더.ipynb
9. GAN.ipynb	./9. GAN.ipynb
10. 자연어 처리.ipynb	./10. 자연어 처리.ipynb
11. 벡터화.ipynb	./11. 벡터화.ipynb
12. 신경망 기반의 벡터화.ipynb	./12. 신경망 기반의 벡터화.ipynb
13. RNN.ipynb	./13. RNN.ipynb
14. LSRM과 GRU.ipynb	./14. LSRM과 GRU.ipynb
15. Seq2Seq.ipynb	./15. Seq2Seq.ipynb
16. 어텐션 메커니즘.ipynb	./16. 어텐션 메커니즘.ipynb

환경 준비

권장: conda 또는 venv 사용

# (선택) conda 환경
conda create -n dl-notes python=3.10 -y
conda activate dl-notes

# Jupyter 및 필수 라이브러리
pip install --upgrade pip
pip install jupyterlab notebook
pip install numpy pandas matplotlib seaborn opencv-python
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121  # CUDA 12.1 환경일 때
# CPU-only 또는 다른 CUDA 버전은 https://pytorch.org 에서 설치 커맨드를 확인하세요.
pip install ultralytics  # YOLOv8
pip install nltk gensim

NLTK 사용 노트북은 최초 실행 시 다음과 같이 리소스를 내려받아야 할 수 있습니다:

import nltk
nltk.download('punkt')
nltk.download('stopwords')

▶ 실행 방법

1. 저장소를 클론하거나 ZIP을 풀어 로컬 디렉터리를 준비합니다.
2. (위) 환경을 설치하고 활성화합니다.
3. Jupyter Lab/Notebook 실행:

   jupyter lab
   # 또는
   jupyter notebook

4. 브라우저에서 각 노트북(.ipynb)을 열고 위에서 아래로 순차 실행하세요.

데이터셋 안내

• 4. 이안류 CCTV 데이터셋.ipynb / 6. 차량 파손 데이터셋.ipynb / Segmentation 관련 노트북은 이미지/동영상 데이터 경로를 요구할 수 있습니다.
• 데이터 경로 예시:
  • data/ianryu_cctv/* (예시)
  • data/car_damage/* (예시)
• 본 저장소에는 데이터가 포함되지 않을 수 있으니, 노트북 상단의 데이터 로드 셀을 확인하고 경로를 수정하세요.

주요 토픽별 개요

• 컴퓨터 비전 기초: 이미지 표현, 변환, 시각화.
• Object Detection (YOLOv8/Ultralytics): 데이터셋 구성, 학습/추론, 평가 지표.
• Segmentation: 마스크 생성/평가, 실습(+ 확장 버전).
• 비지도 학습: 표본 시각화/클러스터링 등(노트북: 비지도 학습).
• 오토인코더 & GAN: 생성 모델의 학습과 샘플링.
• NLP(벡터화 → RNN/GRU → Seq2Seq → 어텐션): 토큰화/임베딩, 순환신경망 계열, 시퀀스 변환, 주의 메커니즘.

의존성(요약)

다음 라이브러리 사용을 확인했습니다.

• python>=3.10
• jupyterlab
• notebook
• numpy
• pandas
• matplotlib
• seaborn
• opencv-python
• torch
• torchvision
• ultralytics
• nltk
• gensim

⚠️ 실제 사용 버전은 환경에 따라 달라질 수 있습니다. 재현성 확보가 필요하다면 requirements.txt 또는 environment.yml를 고정 버전으로 생성하시길 권장합니다.

재현 팁

• 랜덤 시드 고정: numpy, torch의 시드를 고정해 실험 재현성을 높일 수 있습니다.
• GPU 가속: CUDA 가용 시 torch.cuda.is_available()를 확인하고, 텐서를 GPU로 이동하세요.
• 체크포인트: 학습이 오래 걸리는 실습은 모델 가중치를 주기적으로 저장하세요.